E-ticaret yorumlarında duygu analizi: Kural tabanlı, geleneksel makine öğrenmesi ve derin öğrenme yaklaşımlarının karşılaştırılması
Sentiment analysis in e-commerce reviews: A comparison of rule-based, traditional machine learning, and deep learning approaches
- Tez No: 1023777
- Danışmanlar: DR. ÖĞR. ÜYESİ CAN GÜLDÜREN
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Ostim Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yazılım Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, yazılım mühendisliği karar destek bağlamında duygu analizi modellerini karşılaştırmalı olarak değerlendirmektedir. Çalışmanın temel amacı, kural tabanlı VADER, geleneksel makine öğrenmesi tabanlı TF-IDF + Lojistik Regresyon ve transformer tabanlı RoBERTa modellerinin performansını çok katmanlı bir değerlendirme çerçevesinde incelemektir. Çalışmada dört farklı veri kümesi kullanılmıştır: yazılım mühendisliği bağlamından Sentidata App Store, Sentidata Stack Overflow ve Senti4SD; genel alan yorumları için Amazon Fine Food Reviews. Tüm veri kümelerinde ortak bir deneysel protokol uygulanmış; modeller aynı etiketleme stratejisi ve aynı eğitim-test bölünmesiyle değerlendirilmiştir. Performans ölçütü olarak yalnızca doğruluk oranı değil; Macro F1-skoru, Matthews Korelasyon Katsayısı ve sınıf bazlı kesinlik-duyarlılık değerleri de raporlanmıştır. Model farklarının istatistiksel güvenilirliği McNemar, Friedman ve Cohen's d testleriyle sınanmıştır. Açıklanabilirlik boyutunda SHAP etki skorları ve büyük dil modeli gerekçelendirme analizi uygulanmıştır. Bulgular, RoBERTa'nın Macro F1 ve Matthews Korelasyon Katsayısı açısından dört veri kümesinin tamamında tutarlı biçimde en yüksek performansı sergilediğini ortaya koymaktadır. TF-IDF + Lojistik Regresyon, dengeli sınıf ağırlıklandırmasıyla azınlık sınıflarda rekabetçi sonuçlar üretmektedir. VADER yüksek doğruluk oranı elde etmesine karşın sınıf dengesizliği bulunan veri kümelerinde nötr sınıfta belirgin yetersizlikler sergilemektedir. SHAP ve büyük dil modeli analizleri, sarkazm, olumsuzlama ve karma duygu içeren ifadelerin model hatalarının başlıca kaynağını oluşturduğunu göstermektedir.
Özet (Çeviri)
This thesis presents a comparative evaluation of sentiment analysis models within the context of software engineering decision support systems. The primary objective is to assess the performance of three methodologically distinct approaches — the rule-based VADER, the traditional machine learning-based TF-IDF + Logistic Regression, and the transformer-based RoBERTa — within a multi-layered evaluation framework. Four datasets were employed: Sentidata App Store, Sentidata Stack Overflow, and Senti4SD representing software engineering contexts, and Amazon Fine Food Reviews as a general-domain reference corpus. A unified experimental protocol was applied across all datasets, ensuring consistent labeling strategies and identical train-test splits. Performance was assessed not solely through accuracy but also through Macro F1-score, Matthews Correlation Coefficient, and class-level precision-recall values. The statistical reliability of observed differences was examined using McNemar, Friedman, and Cohen's d tests. For interpretability, SHAP feature importance scores and large language model reasoning analysis were incorporated. Results indicate that RoBERTa consistently achieves the highest Macro F1 and Matthews Correlation Coefficient values across all four datasets. TF-IDF + Logistic Regression produces competitive results for minority classes through balanced class weighting. VADER, despite attaining high accuracy, exhibits pronounced deficiencies in the neutral class on imbalanced datasets. SHAP and large language model analyses reveal that sarcasm, negation, and mixed-sentiment expressions constitute the primary sources of misclassification.
Benzer Tezler
- Discovering market insights from online product reviews through sentiment analysis
Çevrimiçi müşteri yorumları ile duygu analizi ve pazar payı için bir içgörü aracı
MUHAMMET ALİ KADIOĞLU
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERKAN IŞIKLI
- Türkçe e-ticaret yorumlarında transformer tabanlı duygu analizi
Transformer-based sentiment analysis on Turkish e-commerce reviews
MUHAMMET ŞAMİL İKİZOĞLU
Yüksek Lisans
Türkçe
2026
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUNCAY ÖZCAN
- E-ticaret sektöründe derin öğrenme tabanlı duygu analizi: hiperparametre optimizasyonu ve performans karşılaştırması
Deep learning-based sentiment analysis in the E-commerce sector: hyperparameter optimization and performance comparison
MİRAÇ ÖZTÜRK
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar ÜniversitesiYapay Zeka Ana Bilim Dalı
PROF. DR. SERHAT ÖZEKES
- Heterojen veri kaynaklarında fikir madenciliği, otomatik özellik çıkarımı ve duygu analizi
Opinion mining in heterogeneous data sources, automatic aspect extraction and sentiment analysis
BARIŞ ÖZYURT
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL
- The impact of emoji use in online consumer reviews and company responses
Çevrimiçi tüketici yorumlarında ve şirket yanıtlarında emoji kullanımının etkisi
ESRA ÖRNEK
Yüksek Lisans
İngilizce
2019
İşletmeİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. AYŞE BANU ELMADAĞ BAŞ